课题组硕士研究生杨澜同学论文“Improving vegetation segmentation with shadow effects based on double input networks using polarization images”被SCI Top期刊COMPAG Computers and Electronics in Agriculture 发表。我们在引入植被的偏振信息基础上，提出了一种具有叠加和相加融合模式的双输入的DeepLabv3plus神经网络模型-Double Input Residual DeepLabv3plus (DIR_DeepLabv3plus)。该模型基于植被光强与偏振信息，采用深层残差结构以及ASPP结构同时独立的提取普通光强（RGB）图像和线偏振度图像的低级特征和不同空间尺度的高级特征，融合普通光强特征和偏振度特征，有效提高了阴影情况下的植被分割精度。研究结果表明，无阴影植被、轻阴影植被以及阴影植被分割的平均交并比mIoU分别达到94.01%, 92.508% and 90.969%。相比于植被指数法和阴影对抗算法SHAR-LABFVC，本文提出的方法有明显提升；相比于没有添加偏振信息的深度学习方法，无阴影植被、轻阴影植被以及阴影植被mIoU分别有0.18%、1.00%以及1.49%的提升。